国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

高拱壩混凝土振搗機器人系統(tǒng)研發(fā)及應用

2022-08-01 10:08王曉玲任炳昱陳文夫譚堯升
水利學報 2022年6期
關鍵詞:坐標系表面機器人

王曉玲,王 棟,任炳昱,陳文夫,譚堯升,關 濤

(1. 天津大學 水利工程仿真與安全國家重點實驗室,天津 300072;2. 中國三峽建工(集團)有限公司,四川 成都 610041;3. 中國長江三峽集團有限公司,北京 100038)

1 研究背景

混凝土振搗是常態(tài)混凝土澆筑密實的關鍵環(huán)節(jié)[1-2],其施工質(zhì)量對于混凝土壩壩體結構抗震、防滲、抗凍等性能具有重要的影響?;炷琳駬v主要是通過振搗器的高頻振動,使得可塑性混凝土內(nèi)部組成進行空間重構,進而排出混凝土中夾雜的空氣,以達到密實的過程。常態(tài)混凝土拱壩建設主要依靠人工操控機械或者手持振搗器進行施工作業(yè)[3],其中,人工振搗作業(yè)存在工作強度高、效率低、主觀性強等不足;此外,質(zhì)量控制主要通過監(jiān)理旁站方式評估振搗操作和混凝土表面圖像特征是否滿足規(guī)范要求[4-5]。該方式受旁站人員經(jīng)驗差異的影響,振搗施工質(zhì)量難以得到有效控制。隨著我國高混凝土壩建設逐漸向高寒、高海拔等地區(qū)轉移,惡劣的施工環(huán)境帶來的人機效率下降、勞動力短缺等難題進一步給澆筑質(zhì)量控制帶來了巨大挑戰(zhàn)。此外,新一代信息化、智能化筑壩技術的興起驅動著新理論、新技術、新裝備的快速發(fā)展,推動傳統(tǒng)人工施工方式迫切需要轉型升級。因此,亟待突破現(xiàn)有倉面人工振搗施工技術瓶頸,研究可替代人工振搗作業(yè)的混凝土振搗機器人技術,研發(fā)混凝土振搗機器人系統(tǒng)對于解決這一關鍵問題具有重要的科學與現(xiàn)實意義。

近年來,機器人技術的飛速發(fā)展以及與建筑領域學科知識深度融合為解決該問題帶來了曙光[6-7]。世界最早用于施工的建筑機器人可追溯至1982 年日本清水公司研發(fā)的名為SSR-1 耐火材料噴涂機器人[8]。此后,大量建筑機器人研究內(nèi)容圍繞建筑全生命周期的各個環(huán)節(jié)展開,包括施工前準備工作、施工過程中建造活動以及施工完成后的維護和拆除等[6]。總體來講,現(xiàn)場建筑機器人可以歸納為兩類:基于現(xiàn)有機械進行改裝制造和針對特定任務研發(fā)的建筑機器人,從而實現(xiàn)無人化作業(yè)。

對于改裝機械研發(fā)的建筑機器人,全自主智能建筑機器人是研究的最高目標,少數(shù)研究實現(xiàn)了特定場景下的全自主智能無人施工,如時夢楠等[9]研發(fā)的多料種全覆蓋自主碾壓機群協(xié)同作業(yè)系統(tǒng)實現(xiàn)了全天候無人碾壓機群作業(yè),并成功應用于300 m級兩河口水電站大壩碾壓施工,開創(chuàng)了世界大規(guī)模無人碾壓機群筑壩的先河;Zhang 等[10]研發(fā)的自主挖掘系統(tǒng)實現(xiàn)了24 h 無人接管自主挖掘作業(yè);蘇黎世聯(lián)邦理工學院研發(fā)的自主行走挖掘機在溝壑挖掘、石墻組裝、森林作業(yè)等實際施工場景下表現(xiàn)突出[11]。相比于全自主智能機器人,基于人-機協(xié)作的建筑機器人研究成果更多且應用更為廣泛[12-15],該類型建筑機器人解決了其應對復雜多變施工環(huán)境時感知能力匱乏及分析決策欠佳的不足,充分發(fā)揮了人的知識與機器人的自動化專長,提高了建筑機器人作業(yè)的普適性。對于特定任務的建筑機器人,目前已有大量研究成果將建筑機器人應用于現(xiàn)場特定任務施工過程中,如基于“輪廓工藝”技術的3D打印機器人[16-17]、墻體砌筑機器人[18-19]、房屋裝飾機器人[20-21]等,非標準化鋼筋結構制作[22-23]等。上述建筑機器人基本結構組成主要包括移動式行走裝置、多自由度機械臂和末端執(zhí)行機構,該設計能夠滿足大型施工現(xiàn)場跨度大和空間復雜性強的作業(yè)任務要求。上述研究成果對機器人技術應用于建筑施工領域進行了有益探索,為本文研究提供了良好借鑒思路。在水利工程施工領域,天津大學水利工程智能建設團隊針對碾壓工藝開展無人碾壓機群施工技術研究[9,24]并成功應用在工程建設現(xiàn)場。由于不同壩型施工工藝的區(qū)別,對于高拱壩復雜環(huán)境下混凝土澆筑振搗過程,尤其是涉及到混凝土材料分區(qū)、振搗工藝變化、非結構化地面等復雜不確定工況,有必要開展?jié)M足高拱壩倉面復雜施工環(huán)境下振搗工藝的機器人技術研究,實現(xiàn)無人振搗作業(yè),從而解決人工振搗作業(yè)方式面臨的振搗質(zhì)量控制難題。

振搗質(zhì)量的智能化分析與控制是實現(xiàn)無人振搗作業(yè)的核心。在混凝土振搗質(zhì)量分析與控制方面,現(xiàn)有研究主要集中在對振搗設備進行智能監(jiān)控[5,25-27],通過采用高精度GNSS、測距傳感器等實現(xiàn)振搗位置、作業(yè)時間、插入深度等參數(shù)的實時監(jiān)控。然而,規(guī)范要求一次振搗是否結束應根據(jù)混凝土表面圖像特征進行定性評估[4],現(xiàn)有研究采用預先設定的振搗時間策略,從而間接滿足該項要求,未能考慮混凝土異構性對振搗時間的影響。因此,在作者團隊研究基礎上[28],引入機器視覺方法建立混凝土表面圖像智能識別模型,并在振搗過程中實時分析混凝土表面圖像,從而滿足規(guī)范對振搗結束時表面圖像的要求,實現(xiàn)振搗質(zhì)量的智能分析。

針對上述問題,綜合考慮混凝土壩倉面非規(guī)則性、多障礙物的環(huán)境特征,本文基于工業(yè)機器人、自動化控制、機器視覺等技術,以高拱壩倉面混凝土振搗環(huán)節(jié)為研究對象,開展無人振搗施工智能化關鍵技術研究,研發(fā)無人振搗機器人系統(tǒng),該系統(tǒng)能夠實現(xiàn)倉面復雜環(huán)境下行走、振搗、避障等功能,以及高拱壩倉面混凝土振搗效果的機器視覺識別。此外,能夠實現(xiàn)云端可視化監(jiān)控和遠程操控。

2 振搗機器人系統(tǒng)

2.1 系統(tǒng)總體設計振搗機器人系統(tǒng)總體結構如圖1 所示,包括振搗機器人本體、云端監(jiān)控平臺和通訊三大子系統(tǒng)。振搗機器人本體能夠在復雜環(huán)境下實現(xiàn)外界環(huán)境及振搗作業(yè)等多源信息的感知與集成,并通過運動學模型、圖像識別算法等實現(xiàn)振搗動作、質(zhì)量等屬性的分析與決策,進一步實現(xiàn)行走、振搗、避障等行為控制,確保振搗機器人本體能夠安全、有效作業(yè);云端監(jiān)控平臺通過無線網(wǎng)絡連接云服務器實時可視化振搗機器人本體作業(yè)過程中產(chǎn)生的多源信息,并能夠對質(zhì)量進行監(jiān)控,同時下達相關控制指令,實現(xiàn)對車體的運動控制;通訊子系統(tǒng)是振搗機器人本體不同模塊間以及振搗機器人本體和云端監(jiān)控平臺間連接的通信橋梁。

圖1 振搗機器人系統(tǒng)總體框架圖

2.2 振搗機器人本體設計

2.2.1 振搗機器人本體結構設計 振搗機器人本體結構包括行走模塊、機械臂模塊、振搗棒組模塊、能源模塊、感知模塊和機載控制器,如圖2 所示。主要參數(shù)如下:車體總質(zhì)量8.7 t,長×寬×高為5.5 m×2.4 m×3.1 m;機械臂具有6自由度,運動范圍≤2.60 m,控制精度達0.1 mm,最大載重200 kg。

(1)行走模塊。行走模塊通過接收車體遙控器或者云端監(jiān)控平臺下發(fā)的指令實現(xiàn)振搗機器人本體的啟動、行走、轉彎、急停等功能。

(2)機械臂模塊。考慮復雜振搗工藝及精準姿態(tài)控制的需求,采用多關節(jié)ABB IRB 6700-260型工業(yè)機器人夾持振搗棒組單元進行振搗作業(yè),并在車體尾部設計了動平衡機構,防止機械臂運動過程中因重心偏移導致車體傾覆,從而提高車體穩(wěn)定性。

(3)振搗棒組模塊。該模塊是振搗機器人振搗作業(yè)的核心部件??紤]高拱壩倉面橫縫凹凸形狀以及上下游復雜鋼筋網(wǎng)的特點,設計了滿足系統(tǒng)振搗和復振兩種施工工藝類型的振搗棒組(3 支振搗棒)。其中,適用于系統(tǒng)振搗工藝的振搗棒能夠實現(xiàn)棒間橫向30 ~60 cm 間距調(diào)整(“一字型”排列),以及中間振搗棒5 ~20 cm 縱向移動(“三角形”排列),以滿足橫縫周邊凹凸鍵槽模板的非規(guī)則區(qū)域的施工要求,結構如圖2(b)所示。適用于復振工藝的振搗棒采用下放和回收方式,滿足狹窄鋼筋網(wǎng)環(huán)境下振搗棒穿越鋼筋網(wǎng)障礙物并進行振搗作業(yè)要求,結構如圖2(c)所示。

圖2 振搗機器人本體結構圖

(4)能源模塊。綜合考慮振搗機器人本體能源需求不均衡、工作時間長的特點,配備一套凱馬柴油發(fā)動機以滿足振搗機器人多模塊、長歷時能源需求。

(5)感知模塊。感知模塊是由安裝在車體上的多源傳感器構成。采用兼容北斗定位的高精度GNSS、姿態(tài)傳感器等實現(xiàn)位姿的感知;采用混合激光/超聲傳感器進行測距感知;采用RGB相機實現(xiàn)振搗圖像智能感知;采用避障雷達和32線固態(tài)激光雷達等傳感器實現(xiàn)倉面環(huán)境下多尺度、動/靜態(tài)障礙物的感知。

(6)機載控制器。該模塊為振搗機器人的核心部件,采用滿足多種通訊方式和高性能計算要求的工業(yè)控制器。一方面集成感知單元的信息,基于相關智能算法進行分析與決策,實現(xiàn)振搗機器人本體的控制;另一方面,接收云端監(jiān)控平臺的指令信息,同時上傳振搗機器人運行中多維度信息。

2.2.2 振搗機器人本體運動學模型 運動學模型旨在通過幾何關系構建車體運動的模型。振搗機器人本體運動學建模是實現(xiàn)振搗機器人本體空間運動分析、軌跡規(guī)劃,以及振搗位置參數(shù)計算、運動控制等的基礎,亦是振搗機器人系統(tǒng)實現(xiàn)自動振搗的關鍵內(nèi)容。本文研發(fā)的振搗機器人系統(tǒng)是一個復雜的裝備系統(tǒng),通過各模塊間有機配合與聯(lián)動,從而實現(xiàn)系統(tǒng)智能無人振搗的功能。建立振搗機器人D-H 運動學模型,如圖3 所示,包括世界坐標系{O-XOYOZO}、車體坐標系{A-XAYAZA}、機械臂基坐標系{B-XBYBZB}、機械臂末端工具坐標系{C-XCYCZC} 。不同坐標系間關系可通過齊次變換矩陣進行關聯(lián)[29]。以右邊振搗棒末端點L為例,則點L在世界坐標系{O} 的空間位置OLP可表示為:

圖3 振搗機器人D-H坐標系

式中:OAT、BAT、BCT分別為坐標系{O} 和{A}、{A} 和{B}、{B} 和{C} 之間轉換關系;CLP為L點位于坐標系{C} 中的位置。

笛卡爾空間下坐標系{O} 和{A} 關系可采用4×4維度的齊次變換矩陣表示。設坐標系{A} 原點與車體上安裝的GNSS天線中心重合,故OAT可表示為:

式中:c1、c2、c3分別為cosθ1、cosθ2、cosθ3;s1、s2、s3分別為sinθ1、sinθ2、sinθ3;θ1、θ2、θ3分別為ZA、YA、XA方向旋轉的歐拉角度,以右手定則判別旋轉正方向,單位為°;xgnss、ygnss、zgnss為GNSS 測量的大地空間坐標,單位為m。

車體為剛性,坐標系{}A與{}B相對靜止,故二者間關系可表示為:

式中:XAB、YAB、ZAB分別為坐標系{}B原點相對于坐標系{}A原點在軸XA、YA、ZA的歐式距離。

由機器人學[29]可知,6 自由度機械手末端坐標系{}C原點在基坐標系{}B可表示為CBT=(XBC,YBC,ZBC,q1,q2,q3,q4),其中(XBC,YBC,ZBC)和四元數(shù)(q1,q2,q3,q4)分別為坐標系{C} 原點位于坐標系{B} 下的空間位置以及姿態(tài),可表示矩陣形式:

進一步,由于振搗棒與機械手末端中心點剛性連接,故振搗棒末端L、R、K三點位于坐標系{}C中可表示為:

式中:lmw、lmb、lh分別為振搗棒L點位于坐標系{C} 下C-XC、C-YC、C-ZC方向的投影距離;lkw為中間振搗棒在XC方向的移動距離。其中,lmb和lkw變化范圍分別是[30,60]和[5,20],cm。式(2)—(5)代入式(1)中,求得振搗點空間坐標。同理,若已知振搗作業(yè)點位于坐標系{O} 下的坐標,可通過矩陣逆運算求得振搗點在機械臂基坐標系{B} 下的位置,從而進行軌跡規(guī)劃、運動分析等。

2.2.3 振搗機器人系統(tǒng)工作流程 振搗機器人自動振搗流程如圖4所示,主要步驟概括如下:

圖4 振搗機器人自動振搗工作流程

步驟1,啟動振搗機器人系統(tǒng),對系統(tǒng)本體各組成模塊進行上電操作,并初始化系統(tǒng)參數(shù)(圖像識別算法、振搗施工標準參數(shù)等),確保系統(tǒng)正常啟動及各模塊間信號連接正常。

步驟2,信息感知與集成。多源信息感知是振搗機器人工作的基礎,機載感知模塊實現(xiàn)振搗參數(shù)信息和外界環(huán)境信息的采集。采用基于Linux 的機器人操作系統(tǒng)(Robot Operating System,ROS)建立多個單元節(jié)點,每一個節(jié)點對應一個傳感器采集的信息,通過發(fā)布消息與訂閱消息的方式實現(xiàn)節(jié)點間的通信,從而實現(xiàn)多源信息的集成、共享與管理。

步驟3,自動導航與避障。車體控制器接收云端監(jiān)控平臺或遙操作指令信息后,基于CAN 通訊將指令信息轉換后輸入車體可編程邏輯控制器(Programmable logic controller,PLC),PLC 通過繼電器對車體發(fā)動機進行控制,實現(xiàn)車體行走模塊的啟動、行走、轉彎、急停等。行走過程中,高精度RTK-GNSS用于車體定位與定向,機載毫米波雷達用于障礙物的感知與避障。

步驟4,軌跡規(guī)劃。軌跡規(guī)劃是振搗機器人進行自動振搗的核心。考慮振搗動作可以分解為“插入-振搗-拔出”的循環(huán)步驟,振搗運動路徑可以分解為經(jīng)過一系列關鍵點集合M{P0,P1,P2,P3} 的空間運動,如圖5(a)所示。其中,圖5(b)至5(e)分別為振搗棒初始位置P0、振搗棒展開位置P1、振搗作業(yè)點上方位置P2、滿足插入深度要求的振搗位置P3。基于2.2.2 節(jié)建立的運動學模型,將集合M轉換到機器人基坐標系{B} 下的坐標,實現(xiàn)機械臂經(jīng)過關鍵點位的軌跡規(guī)劃,進一步基于相關插值算法實現(xiàn)關鍵線路間的運動插值規(guī)劃,其中,起始點P0與P1之間采用關節(jié)空間多項式插值方法[30],其他關鍵軌跡點間采用笛卡爾空間直線插值方法[30]。

圖5 振搗機器人作業(yè)軌跡規(guī)劃

步驟5,運動控制。根據(jù)步驟4軌跡規(guī)劃結果,采用RAPID 語言實現(xiàn)機械臂模塊的運動控制?;贑AN 總線接收機載控制器下發(fā)的控制指令,機械臂控制器將數(shù)字信號轉換為電流信號,驅動器接受脈沖信號驅動伺服電機轉動,編碼器對伺服電機執(zhí)行情況精準測量并反饋至控制器,基于PID[31]算法消除伺服電機期望轉角和實際轉角間的誤差,實現(xiàn)機械臂關節(jié)運動的閉環(huán)控制。進一步,機械臂控制器根據(jù)各個關節(jié)的轉角進行運動學分析計算振搗棒組位置和姿態(tài),并反饋給機載控制中心,結合測距傳感器等實現(xiàn)振搗棒組模塊插入角度、插入深度和插入速度等振搗參數(shù)的精準控制。

步驟6,質(zhì)量評估,包括混凝土表面圖像智能識別和振搗時間的分析。表面圖像智能識別模型參見第3節(jié)。當表面圖像連續(xù)N幀判別為合格類時,則可以結束振搗;另一方面,考慮圖像識別算法在應對外界復雜環(huán)境(如光照不足、夜間環(huán)境等)干擾導致準確性無法滿足要求時,采用設定的振搗時間(t單位:s)來輔助質(zhì)量評估,即t∈{Tmin,Tmax} ,隨機生成滿足區(qū)間[Tmin,Tmax]的振搗時間t設,當振搗時間t達到t設時,則結束振搗。以上兩種分析方式滿足其中一種,認為本次振搗合格。其中,表面圖像分析級別高于振搗時間分析。

步驟7,繼續(xù)振搗或復位。若下一次振搗位置在機械臂運動空間范圍內(nèi),則重復步驟4—步驟6,否則重復步驟3—步驟6。如果倉面振搗作業(yè)完成,則結束振搗,控制機械臂運動至初始狀態(tài)(即圖5(b)),其他工況下軌跡規(guī)劃如圖5(c)—(e)所示。

2.3 云端監(jiān)控平臺及通訊子系統(tǒng)設計云端監(jiān)控平臺主要實現(xiàn)振搗機器人施工作業(yè)實時信息、多源傳感器信息、倉面規(guī)劃信息、車體狀態(tài)等信息集成展示、指令下發(fā)等,監(jiān)控界面如圖6所示?;贐/S架構研發(fā)了云端監(jiān)控平臺,具有跨平臺、跨區(qū)域、多人協(xié)同操作的優(yōu)勢。通訊子系統(tǒng)主要負責振搗機器人本體、云端監(jiān)控平臺、云服務器等之間的通訊,一方面,振搗機器人各子系統(tǒng)間的無線通訊,如振搗機器人本體產(chǎn)生的信息通過4G 網(wǎng)絡實時傳輸至云服務器,云端監(jiān)控平臺通過無線通訊方式與云服務器間進行信息交互;另一方面,振搗機器人本體各模塊間的有線通訊,如機載控制器與機械臂控制柜之間通過CAN方式通訊。

圖6 云端監(jiān)控平臺界面圖

3 基于改進殘差網(wǎng)絡的振搗表面圖像識別算法

針對傳統(tǒng)振搗質(zhì)量依靠監(jiān)視人員根據(jù)混凝土表面圖像特征評估的方式存在主觀性強的不足,提出基于改進深度殘差網(wǎng)絡(Residual Network,ResNet)[32]模型的機器視覺技術,對混凝土振搗過程中表面圖像進行分類,實現(xiàn)振搗質(zhì)量的識別。

3.1 改進ResNet模型結構在網(wǎng)絡搭建過程中,網(wǎng)絡結構、訓練樣本大小等對模型性能有著重要的影響。本文從數(shù)據(jù)輸入以及網(wǎng)絡結構兩方面對模型進行改進。在數(shù)據(jù)層面,采用在線數(shù)據(jù)增強方式通過擴大樣本輸入,使得ResNet 模型能夠學習到更多圖像特征,進而提升模型的性能和防止模型過擬合。在網(wǎng)絡結構方面,首先,針對殘差單元的結構形式對模型性能的影響,采用預先激活方式的ResNet-V2[33],使得模型易于優(yōu)化;其次,在ResNet 的每一個部分殘差模塊中融入卷積塊注意模塊(Convolutional Block Attention Module,CBAM)[34],使得殘差網(wǎng)絡有偏向地選擇重要的特征圖進行特征提取,從而提高模型精度;最后,在卷積完成后,采用全局平均池化層代替原有的平均池化層以及全連接層,從而保留提取的空間和語義特征,有利于減輕過擬合的風險,同時降低模型的參數(shù)。為了平衡計算時間和模型性能,本文采用50 層深度的ResNet 模型。所構建的ResNet-50 模型輸入圖像大小為224×224,網(wǎng)絡最后一層連接層神經(jīng)元為3個,以對應輸出混凝土表面圖像預測類別,即不合格類、過渡類和合格類。改進的ResNet-50模型結構如圖7所示。

圖7 改進ResNet-50結構圖

3.2 混凝土表面圖像識別模型的建立在建筑施工領域,尚無開源的混凝土振搗表面圖像數(shù)據(jù)集。因此,本文通過現(xiàn)場拍攝混凝土振搗過程中表面圖像,通過歸納總結其演變特征,將其劃分為3個階段,即混凝土表面圖像分為不合格類、過渡類以及合格類3個類別。建立的混凝土表面圖像數(shù)據(jù)集中不合格類、過渡類和合格類圖像數(shù)量分別為5056、4476和5474張,共計10 056張圖像。本文將數(shù)據(jù)集隨機劃分為訓練樣本和測試樣本,二者比例分別為0.85和0.15。模型訓練參數(shù)如下:訓練200個迭代輪次(即完整數(shù)據(jù)集輸入模型訓練的過程);采用SGD 優(yōu)化算法,初始學習率和動量分別為0.001 和0.9;批處理大小為32。運行物理環(huán)境為Ubuntu 16.04操作系統(tǒng),GPU 顯卡型號為NVIDIA TITAN XP,運行內(nèi)存128 GB?;贙eras框架進行模型的訓練。

圖8 為模型訓練過程中原始ResNet-50 和改進ResNet-50 的精度與損失函數(shù)變化曲線。隨著訓練迭代輪次的增加,模型的損失函數(shù)曲線逐漸下降并趨向平穩(wěn),精度曲線逐漸上升最后趨于平穩(wěn),表明模型訓練達到優(yōu)越性能。相比于原始ResNet-50,改進的ResNet-50 訓練曲線波動小,測試樣本的精度和損失函數(shù)曲線均表現(xiàn)更優(yōu),且模型未有過擬合現(xiàn)象。常用指標[28]精確率Precision、召回率Recall 用于評估所提模型性能,所建立模型在測試數(shù)據(jù)集上平均分類精度分別為98.36%和98.33%,表明模型性能優(yōu)越,模型有效。

圖8 訓練過程中精度與損失函數(shù)變化曲線

4 工程實例

以中國西南地區(qū)白鶴灘水電站300 m級特高拱壩倉面混凝土澆筑施工為例,對振搗機器人系統(tǒng)的功能進行現(xiàn)場驗證。該混凝土壩為雙曲拱壩,壩頂高程834.0 m,最大壩高289.0 m,共分31個壩段,大壩混凝土方量約800 萬m3。現(xiàn)場混凝土澆筑采用人工駕駛振搗臺車施工為主,鋼筋網(wǎng)及模板周邊等區(qū)域以人工振搗作業(yè)為輔的方式開展施工。根據(jù)振搗機器人系統(tǒng)組成結構設計,進行振搗機器人系統(tǒng)軟件和硬件的研發(fā),振搗試驗區(qū)域及振搗機器人本體實物如圖9所示。

圖9 振搗機器人系統(tǒng)現(xiàn)場試驗

4.1 振搗現(xiàn)場試驗開展兩種設計的振搗棒組在不同施工區(qū)域的振搗試驗。第一種振搗棒組直徑為100 mm,振搗頻率可在100 ~200 Hz范圍調(diào)整,間距可在30 ~60 cm 范圍調(diào)整,上述參數(shù)設置能夠有效適用于橫縫周邊1 m 范圍內(nèi)斜拉鋼筋、水管等障礙物密集區(qū)域施工作業(yè)。振搗試驗過程如圖10 所示,包括插入混凝土、平穩(wěn)振搗以及緩慢拔出等過程,振搗參數(shù)為垂直插入、間距設置60 cm、插入深度為60 cm、振搗頻率為150 Hz,振搗前后效果分別如圖10(c)和圖10(f)所示,振搗完成后表面微泛漿、無大氣泡排出,滿足規(guī)范對混凝土表面圖像特征的要求,振搗效果良好,驗證了系統(tǒng)振搗棒組結構設計的合理性。第二種振搗棒組為長度30 cm,間距30 cm,振搗頻率為200 Hz,通過滑輪控制振搗棒連接軟管的下放和回收,滿足穿越復雜障礙物進行振搗的特殊需求。振搗過程如圖11 所示,包括振搗棒釋放、振搗、回收等過程,驗證了復振搗棒組結構的合理性。

圖10 系統(tǒng)振搗棒振搗作業(yè)

圖11 伸縮式復振搗棒振搗作業(yè)

4.2 振搗試驗分析開展混凝土振搗過程參數(shù)的分析,包括混凝土振搗參數(shù)分析和混凝土表面圖像識別結果分析。

4.2.1 混凝土振搗參數(shù)分析 振搗機器人系統(tǒng)作業(yè)過程關鍵施工參數(shù)變化如圖12 所示。圖12(a)展示了機械臂運動過程6 個關節(jié)角度變化(J1 ~J6),曲線平滑連續(xù),未發(fā)生明顯的突變,表明空間運動平穩(wěn)、運動過程未發(fā)生異常振動,運動軌跡控制有效;圖12(b)為振搗插入深度及垂直插入角度偏差曲線(其中,負數(shù)表示未插入至混凝土),最大插入深度接近60 cm 且維持穩(wěn)定,插入深度受控;同時,從圖12(b)中可得,插入前角度發(fā)生微小波動(范圍為0.002°),這可能原因是振搗棒組開啟過程中高頻振動對機械臂的輕微影響,振搗作業(yè)過程中角度偏差基本保持在0.078°左右,波動范圍在0.001°以內(nèi),表明垂直振搗作業(yè)嚴格受控。相比于人工經(jīng)驗性振搗,本文通過對振搗參數(shù)的精準控制,提高了振搗作業(yè)的規(guī)范化和標準化。

圖12 混凝土振搗過程參數(shù)分析

4.2.2 混凝土表面圖像識別結果分析 通過在振搗臂手抓前端安裝攝像機實時拍攝振搗過程中表面圖像,并應用第3節(jié)建立的模型對采集的圖像進行識別??紤]外界光照強度對識別結果的影響,采用限制對比度自適應直方圖均衡化方法(Contrast-Limited Adaptive Histogram Equalization,CLAHE)[35]對原始圖像進行預處理。振搗過程中代表性表面圖像的人工識別及圖像識別結果如圖15 所示,其中,所選三張圖像的真實類別(由專業(yè)人員進行圖像類別評估的結果)分別為不合格類(圖13(a))、過渡類(圖13(e))以及合格類(圖13(i)),其對應的預處理圖像分別為圖13(c)、圖13(g)和圖13(k)。未經(jīng)過預處理的圖像識別結果分別為不合格類(圖13(b))、過渡類(圖13(f))以及過渡類(圖13(j)),預處理后識別類別分別為不合格類(圖13(d))、過渡類(圖13(h))以及合格類(圖13(l))。其中,圖像識別結果中,類別標簽后的數(shù)字表示分類概率大小。結果表明,基于CLAHE 方法對原始圖像進行預處理,有利于提高原始圖像表面輪廓及紋理的清晰程度,且平衡了原始圖像的曝光程度,降低了外界光照的影響,有利于圖像的準確分類。同時,驗證了所提模型能夠準確實現(xiàn)振搗過程中表面圖像的分類(識別結果與技術人員判別一致),從圖像角度實現(xiàn)了混凝土振搗過程的智能分析,解決了傳統(tǒng)旁站人員根據(jù)混凝土振搗過程中表面圖像特征經(jīng)驗性評估振搗是否密實的不足。

圖13 振搗過程中表面圖像人工評估及圖像識別評估結果

4.3 對比與討論

4.3.1 與人工振搗對比分析 采用相同型號的振搗棒(Φ100 mm,振動頻率為150 Hz)作業(yè),振搗機器人和人工作業(yè)的振搗效果定性對比如圖14所示。其中,振搗機器人的振搗棒間距為60 cm。圖14(a)和圖14(c)分別為振搗機器人作業(yè)和人工作業(yè),圖14(b)和圖14(d)為對應的效果。根據(jù)專家經(jīng)驗及規(guī)范評估,振搗結束后表面泛漿、無大氣泡排出、粗骨料不顯著下沉,表明振搗效果良好(如圖14(b)和圖14(d)所示)。相比于傳統(tǒng)人工手持單根振搗棒作業(yè),本文所研發(fā)的系統(tǒng)具有三個方面的潛在優(yōu)勢:(1)安全方面:振搗機器人系統(tǒng)作業(yè)避免了施工人員受到復雜環(huán)境下鋼筋的潛在傷害,以及因接觸振搗棒高頻振動帶來的影響;(2)質(zhì)量方面:振搗機器人系統(tǒng)作業(yè)過程更加規(guī)范化和標準化,基于機器視覺對混凝土振搗過程進行智能識別,相比于人工主觀評估方式,提高了質(zhì)量保障率;(3)效率方面:振搗機器人系統(tǒng)同時采用3支振搗棒作業(yè),作業(yè)效率更高,且長時間工作免受體力的約束,該優(yōu)勢在高寒高海拔環(huán)境下將更加明顯。

圖14 振搗機器人系統(tǒng)與人工振搗作業(yè)效果對比

4.3.2 機器視覺算法對比分析 對比淺層神經(jīng)網(wǎng)絡BPNN 和其他深層VggNet-16 及ResNet 網(wǎng)絡方法,不同方法建立的混凝土表面圖像識別模型性能如圖15 所示。相比與傳統(tǒng)神經(jīng)網(wǎng)絡BPNN 模型,基于深度學習的網(wǎng)絡模型(VggNet 和ResNet)具有更優(yōu)越的性能。對比VggNet 和ResNet 模型分類性能,驗證了不同網(wǎng)絡結構對模型性能的影響。相比于原始的ResNet-50 模型,改進ResNet-50 在Precision 和Recall 指標上的分類平均值分別提升了2.83%和3.74%。此外,相比于文獻[28]所建立的混凝土表面圖像分類模型,改進的ResNet-50 通過引入CBAM 以及全局平均池化層后,在Precision 和Recall 指標上的分類平均值分別提升了0.29%和0.43%,這表明所引入的策略可行、有效。

圖15 不同圖像識別算法對比

進一步討論模型分類準確的原因,采用Grad-CAM[36]模塊對最后一個卷積輸出層(即圖7 中Conv5_x 的輸出層)的特征進行可視化分析。每一類別選取3 張代表性圖像作為分析對象,模型識別圖像類別結果與真實標簽一致,不同模型分類結果及特征可視化如圖16 所示。結果表明,圖16 中No.1—No.3 中模型更加關注圖像表面起伏較小的泛漿區(qū)域,這符合振搗合格的圖像特征;圖16 中No.4—No.6 中模型更加關注水泥漿液和骨料交錯的區(qū)域,尤其是圖16 中No.4 和No.6,與振搗過程中骨料下沉的特征一致;圖16 中No.7—No.9 中模型更加關注圖像中有分界的區(qū)域,圖16 中No.7 和No.9 較為明顯,關注大骨料或者漿液少的區(qū)域。通過Grad-CAM 可視化分析,表明模型能夠有效提取輸入圖像的關鍵特征,一定程度上解釋了所提模型實現(xiàn)正確分類的內(nèi)在原因,驗證了模型的可靠性。

圖16 測試集圖像分類及其特征可視化

5 結論

針對傳統(tǒng)人工振搗作業(yè)工作強度高、作業(yè)主觀性強,且現(xiàn)有振搗監(jiān)控方法忽略了反映振搗過程混凝土密實性的表面圖像分析等不足,研發(fā)了基于機器視覺的無人振搗機器人系統(tǒng),并在施工現(xiàn)場進行了驗證,取得如下成果:

(1)研發(fā)了無人振搗機器人系統(tǒng),該系統(tǒng)包括振搗機器人本體、云端監(jiān)控平臺以及通訊子系統(tǒng),基于工業(yè)機器人、自動化控制、機器視覺等技術實現(xiàn)了高拱壩倉面環(huán)境下無人振搗;

(2)提出了基于改進ResNet 的混凝土表面圖像分類模型,模型的評估指標Precision 和Recall 平均值分別為98.36%和98.33%,實現(xiàn)了混凝土表面圖像的智能識別,為自動振搗提供操控依據(jù);

(3)現(xiàn)場試驗驗證了振搗機器人系統(tǒng)在高拱壩倉面環(huán)境下作業(yè)的有效性和可靠性,實現(xiàn)了精準化振搗參數(shù)的控制以及基于機器視覺的混凝土表面圖像識別,解決了人工經(jīng)驗性評估振搗效果存在主觀性的不足,有效保障了振搗施工質(zhì)量。

本文研究成果為高拱壩實現(xiàn)無人化振搗施工提供了新的技術手段,推進了水電工程建設中混凝土澆筑振搗作業(yè)向智能化發(fā)展,尤其是對未來高寒地區(qū)工程實現(xiàn)少人化或無人化建設具有顯著的工程意義;此外,可以推廣應用于其它大體積混凝土施工過程,具有一定普適性。由于振搗機器人本身是一個復雜的非線性系統(tǒng),未來需要進一步在不確定性環(huán)境下實現(xiàn)智能化無人振搗施工。

猜你喜歡
坐標系表面機器人
獨立坐標系橢球變換與坐標換算
太陽表面平靜嗎
坐標系背后的故事
三角函數(shù)的坐標系模型
求坐標系內(nèi)三角形的面積
機器人來幫你
認識機器人
機器人來啦
3.《黑洞表面》(英/美)等
神回復
砚山县| 安西县| 镇江市| 阿荣旗| 富顺县| 瑞昌市| 体育| 庆元县| 奇台县| 高淳县| 当阳市| 香格里拉县| 五河县| 通许县| 宜宾市| 达日县| 金昌市| 博湖县| 民丰县| 千阳县| 安化县| 长兴县| 新营市| 扎囊县| 新田县| 盘山县| 陕西省| 沭阳县| 游戏| 扬州市| 龙胜| 赣榆县| 宜宾县| 陵川县| 洞头县| 岑溪市| 收藏| 玉田县| 西安市| 镇雄县| 酒泉市|